基于箱粒子的多扩展目标PHD滤波

在高斯混合多扩展目标PHD 滤波的基础上, 结合最新兴起的箱粒子滤波, 提出一种基于区间分析的多扩展目标PHD 滤波算法. 采用大小可控的非零矩形区域来代替传统的多个点量测, 这样可降低权值计算中对量测分布的要求. 仿真对比实验表明, 采用区间分析方法在保证近似于传统滤波精度的同时可降低计算复杂度, 在目标数目估计及抗杂波干扰方面也具有较为突出的优势, 并且可解决在目标靠近时由于不能正确给出子划分而造成的漏检问题.

     

Rao-Blackwellized粒子势均衡多目标多伯努利滤波器

由于多伯努利滤波器直接近似递推了多目标状态的后验概率密度,使得多目标跟踪问题在基于随机有限集理论框架下的求解及目标状态的估计显得更为直观.本文针对一个状态可分解(线性/非线性)的状态空间模型,分析基于Rao-Blackwell定理的滤波估计方法,结合噪声的去相关构造线性状态的滤波方程.文中详细推导并提出Rao-Blackwellized粒子势均衡多目标多伯努利滤波器的一般实现形式,包括给出多伯努利非线性状态粒子滤波的实现形式,并结合非线性滤波结果给出多伯努利线性状态的递推滤波公式.本文提出的滤波器实现方法能够在更低维的状态空间上进行采样,滤波器的整体跟踪性能得到提高.多目标跟踪的仿真实验结果验证了该算法的有效性.     

势平衡多目标多伯努利滤波器高斯混合实现的收敛性分析

研究了势平衡多目标多伯努利(cardinality balanced multi-target multi-Bernoulli,CBMeMBer)滤波器高斯混合(Gaussian mixture,GM)实现的收敛性问题.证明在线性高斯条件下,若GM-CBMeMBer滤波器的高斯项足够多,则它一致收敛于真实的CBMeMBer滤波器.并且证明在弱非线性条件下,GM-CBMeMBer滤波器的扩展卡尔曼(extended Kalman,EK)滤波近似实现—EK-GM-CBMeMBer滤波器,若每个高斯项的协方差足够小,也一致收敛于真实的CBMeMBer滤波器,本文的研究目的是从理论上给出CBMeMBer滤波器GM实现的收敛结果,以完善CBMeMBer滤波器对多目标跟踪的理论研究.     

Pairwise马尔科夫模型下的势均衡多目标多伯努利滤波器

由于在实际应用中目标模型不一定满足隐马尔科夫模型（Hidden Markov model,HMM）隐含的马尔科夫假设和独立性假设条件,一种更为一般化的Pairwise马尔科夫模型（Pairwise Markov model,PMM）被提出.它放宽了HMM的结构性限制,可以有效地处理更为复杂的目标跟踪场景.本文针对杂波环境下的多目标跟踪问题,提出一种在PMM框架下的势均衡多目标多伯努利（Cardinality balanced multi-target multi-Bernoulli,CBMeMBer）滤波器,并给出它在线性高斯PMM条件下的高斯混合（Gaussian mixture,GM）实现.最后,采用一种满足HMM局部物理特性的线性高斯PMM,将本文所提算法与概率假设密度（Probability hypothesis density,PHD）滤波器进行比较.实验结果表明本文所提算法的跟踪性能优于PHD滤波器.     

交互式箱粒子标签多伯努利机动目标跟踪算法

针对多机动目标追踪问题, 将交互式多模型(Interacting multiple model, IMM)思想与箱粒子标签多伯努利滤波器(Box-labeled multi-bernoulli filter, Box-LMB)相结合, 提出交互式箱粒子标签多伯努利滤波器(IMM-Box-LMB)算法.该算法首先通过扩展多目标状态, 引入模型匹配概率变量, 并利用量测信息在预测阶段更新模型匹配概率, 进而使用交互式多模型算法对每个箱粒子状态进行混合估计.其次, 在更新阶段提出二次收缩算法, 通过二次收缩算法使更新后的箱粒子具有更大的区间和存活概率, 也更加接近真实目标位置, 从而达到提升后续时刻箱粒子多样性的目的.仿真结果表明, 二次收缩算法能够有效地提升箱粒子的多样性.将二次收缩算法应用于IMM-Box-LMB算法, 能够在不同信噪比下稳定准确地估计机动目标的个数.相同条件下, 与匀速直线运动(Constant velocity, CV)模型下的Box-LMB算法相比, IMM-Box-LMB算法能够对多机动目标的数目以及状态进行更加有效的估计.     

基于箱粒子滤波的混合标签多伯努利跟踪算法

针对标签多伯努利滤波器在目标处于近邻或目标量测与轨迹关联模糊情况下,更新步中由于近似产生信息丢失,导致跟踪效果下降的问题,引入区间分析技术,结合标签多伯努利滤波器及广义标签多伯努利滤波器各自的优势,提出一种箱粒子滤波下的混合标签多伯努利跟踪算法.建立两种滤波器的参数模型,通过Kullback Leibler散度和熵两项评定标准在两种滤波器间进行切换,在特殊环境中使用广义标签多伯努利滤波器提高跟踪性能,在其他环境中使用标签多伯努利滤波器近似降低算法的复杂度,提高运算效率;同时基于箱粒子滤波实现混合标签多伯努利算法.仿真实验表明,在特定环境中,与原有滤波算法相比,所提出的改进算法在保证计算效率的同时,可提高跟踪的精确度及稳定性.     

面向非线性MTT的多模型泊松多伯努利混合滤波算法

在多目标跟踪(Multi-target Tracking, MTT)的非线性特性与低检测概率情况下,针对多伯努利滤波算法的高斯混合(Gaussian Mixture, GM)实现难以精确估计目标的势与运动状态的实际问题,本文提出了一种适用于非线性系统的泊松多伯努利混合滤波(Poisson Multi-Bernoulli Mixture Filter, PMBM)算法.首先,推导出多模型泊松多伯努利混合滤波的高斯混合(GM Multi-model PMBM,GM-MM-PMBM)实现过程.然后,分别对GM-MM-PMBM的伯努利高斯分量进行预测与更新,实现了基于非线性系统的MTT.为提升系统稳定性,基于平方根协方差矩阵推导出GM-MM-PMBM均方根容积卡尔曼滤波算法的实现过程.最后,仿真实验综合验证了本文算法的跟踪性能.     

区间量测下基于无迹变换的伯努利粒子滤波算法

针对区间量测下目标的实时检测与跟踪问题,提出基于无迹变换的伯努利粒子滤波算法(Bernoulli- Upf).该算法在伯努利粒子滤波算法(Bernoulli-pf)的基础上融合无迹卡尔曼滤波(UKF),融合后的算法在预测步骤产生持续存活粒子时,充分考虑到当前时刻的量测,从而引导粒子向高似然区域移动,使得粒子分布更加接近真实状态的后验分布.仿真实验表明,Bernoulli-Upf算法的估计精度优于Bernoulli-pf算法.     

多传感器多目标跟踪的粒子PHD滤波算法

针对单传感器跟踪系统的缺陷,提出了基于粒子概率假设密度(PHD)滤波的多传感器多目标跟踪算法.这种算法不仅避免了多传感器多目标跟踪的数据关联问题,而且在漏检、目标密集、航迹交叉、小范围内目标数多的杂波环境下能够稳定、精确地估计目标状态和目标数.仿真实验比较了单传感器粒子PHD滤波与多传感器的粒子PHD滤波的跟踪性能,验证了该方法的跟踪性能和精度.     

多目标跟踪中多传感器分布式控制策略

分布式传感器网络技术在复杂的多目标跟踪系统中发挥了极其重要的作用.本文针对多传感器多目标跟踪中的分布式传感器控制问题,提出了基于信息论的多传感器控制策略.首先,本文利用随机有限集(RFS)建模,给出了多传感器多伯努利滤波器,并通过一组参数化的多伯努利过程来近似多传感器多伯努利密度.进一步的,通过多伯努利滤波器的序贯蒙特卡罗实现,设计采样方案对多伯努利密度进行粒子采样,用一组带有权值的粒子集近似多目标状态空间分布.随后,借助巴氏距离(Bhattacharyya distance)作为传感器控制的评价函数用于多个传感器的独立并行控制方案的决策制定.作为另外一个重要内容,本文提出了一种基于多目标战术重要性评估的多传感器控制策略.该控制方案旨在评估多目标战术重要性的基础上对威胁度最大的目标进行优先跟踪.最后,仿真实验验证了所提算法的有效性.     

一种带波门修正的事件触发机制及其在光电探测网中的应用

本文针对一类通信资源有限的集中式目标状态估计问题进行了研究, 提出一种带波门修正的事件触发机制.当事件触发条件不满足时, 相应探测器按通信系统设计带宽发送完整量测新息至融合中心.当事件触发条件满足时, 相应探测器将量化量测新息发送给融合中心.减少数据传输量, 减轻通信系统的负担.随后推导机制下的融合中心最小均方误差状态估计算法并对其性能进行了理论分析.最后给出一个光电探测网的应用算例, 表明了其在工程应用中的有效性及可行性.     

基于自适应RBF神经网络的超空泡航行体反演控制

针对超空泡航行体姿轨控制普遍存在的模型不确定性问题进行相关研究.为此, 首先对其动力学特性进行分析, 并建立了超空泡航行体的动力学名义模型, 随后将其改写为不确定反馈系统, 然后利用反演控制方法设计超空泡航行体姿轨控制器, 针对模型中的未知函数利用径向基函数(Radial basis function, RBF)神经网络进行逼近并补偿, 由基于Lyapunov稳定理论设计的自适应方法计算神经网络的权重, 并给出稳定性证明.仿真研究验证了控制器设计的有效性.     

基于星凸形随机超曲面模型多扩展目标多伯努利滤波器

针对复杂不确定性环境下具有不规则形状的多扩展目标跟踪问题, 提出了一种基于星凸形随机超曲面模型(Star-convex RHM)的多扩展目标多伯努利滤波算法.首先, 在有限集统计(Finite set statistics, FISST)理论框架下, 采用多伯努利随机有限集(MBer-RFS)和泊松RFS (Possion-RFS)分别描述多扩展目标的状态和观测, 并给出扩展目标势均衡多目标多伯努利(ET-CBMeMBer)滤波器.其次, 利用RHM去描述任意星凸形扩展目标的量测源分布, 提出了容积卡尔曼高斯混合星凸形多扩展目标多伯努利滤波器.此外, 本文给出了一种多扩展目标不规则形状估计性能的评价指标.最后, 通过多扩展目标和具有形状突变的多群目标的跟踪仿真实验验证了本文方法的有效性.     

快速多目标跟踪GM-PHD滤波算法

传统的GM-PHD(Gaussian Mixture-Probability Hypothesis Density)滤波算法用当前时刻接收到的全部量测值对所有高斯项进行更新,使得大量的运算时间花费在使用无效量测对高斯项的更新上。针对此问题,提出一种快速多目标跟踪GM-PHD滤波器。首先在算法预测步骤中将高斯项 分为新生及存活目标两类;然后在更新步骤中先计算存活目标与所有量测之间的残差,使用椭球门限,用门限内的量测值来更新存活目标;接着计算新生目标与剩下量测之间的残差,再次使用落入椭球门限内的量测值来更新新生目标,这样可以最大限度地将无效量测排除掉,从而减少算法运算时间。实验结果表明,该方法在保证目标跟踪精度的同时降低了算法时间复杂度,其综合性能优于传统的GM-PHD滤波算法。     

基于多目标均方误差界的多传感器控制算法

提出了一种新的基于集中式处理结构的有约束多传感器控制算法.该算法将多目标均方误差界作为传感器控制的代价函数.为了应用信息不等式得到该误差界, 2阶最优子模式分配测度被用于度量状态集和其估计集间的误差, 并采用δ-广义标签多伯努利滤波器执行多目标Bayes递推.混合罚函数法和复合形法被用来降低求解该有约束优化问题的计算量.仿真结果表明对于由多个不同观测性能传感器组成的带约束条件的控制系统, 本方法的跟踪精度显著优于柯西-施瓦茨散度法; 并且当传感器个数较多时, 混合罚函数和复合形法的计算时间相比穷尽搜索法显著缩短而跟踪精度损失很小.     

电熔镁炉熔炼过程异常工况识别及自愈控制方法

本文提出了基于多源信息融合的电熔镁炉异常工况识别及自愈控制方法.通过分析与三种异常相关的专家知识及操作经验, 本文提取了与异常工况相关的多源信息.通过融合多源信息, 建立了用于异常工况识别的贝叶斯网络模型.根据异常工况的识别结果, 利用剩余生命时间与控制变量调整量间的关系获得自愈控制措施.仿真结果表明提出的方法能够实现异常工况识别, 并且能够区分严重程度, 制定相应的自愈控制方案, 获得比现有方法更好的性能.     

有限时间一致无迹Kalman滤波器

本文研究多个传感器测量非线性系统时的分布式无迹Kalman滤波器(Unscented Kalman filter, UKF)的设计问题.借助离散多智能体系统有限时间平均一致算法的思想, 针对无向通信和有向通信网络分别设计了两种不同的滤波算法.对于无向连通的通信拓扑, 利用节点存储的一致性算法的迭代值构造差向量, 由该差向量构成的Hankel矩阵的核来得到分布式无迹Kalman滤波器, 并通过利用误差协方差矩阵的逆来构造Lyapunov函数, 基于随机稳定性引理证明了该有限时间一致无迹Kalman滤波器的稳定性.对于有向强连通的通信拓扑, 结合比率一致和Hankal矩阵的核来设计分布式无迹Kalman滤波器, 该滤波器的稳定性与无向通信拓扑的滤波器相同.最后, 通过仿真例子来验证所提滤波器的跟踪效果.     

无偏模型预测控制综述

无偏(静差)模型预测控制(Model predictive control, MPC)的设计目标是使被控变量渐近地跟踪设定值, 这类控制方法直接关系到闭环系统的跟踪性能和抗扰性能.由于可以有效处理不可测扰动、模型失配等, 无偏MPC具有很强的工程应用价值, 但是在理论方面并没有得到充分重视.近30年来, 围绕无偏MPC的原理、分析和设计展开了一系列的研究工作, 并取得了系统性的研究成果.当前的一些研究结果大多分散在不同的参考文献中, 缺少全面的梳理和呈现.本文的主要工作包括回顾常见无偏控制方法, 综述当前无偏MPC的研究进展, 并探讨一些潜在的研究方向.     

基于次优区间卡尔曼滤波的机器鱼跟踪方法

目前,自主水下航行器(Autonomous Underwater Vehicle,AUV)研究的重点集中在跟踪定位、精确制导和返坞等领域。机器鱼已成为AUV在智能教育、民用与军事等方面的应用热点。从非线性跟踪分析中发现,区间卡尔曼滤波算法虽然包含了一切可能的滤波结果,但范围比较宽,也比较保守,而且区间数据向量在实现之前是不确定的。文中提出了一种次优区间卡尔曼滤波优化算法。次优区间卡尔曼滤波方案用区间矩阵的逆 代替 其最坏逆,比标准区间卡尔曼滤波更逼近状态方程和测量方程的非线性过程,提高了标称动态系统模型的精确度,改善了跟踪系统的速度与精度。蒙特卡洛仿真实验结果表明,次优区间卡尔曼滤波算法的最优轨迹优于区间卡尔曼滤波方法及标准的卡尔曼滤波方法。